Numpy 中 x[:] 和 x[...] 的区别

问题描述

我对 Numpy 中 x[:] 和 x[...] 之间的区别感到困惑。

例如，我有这个二维数组

[[4,1,9],[5,2,0]]

当我尝试打印出 x[:] 和 x[...] 时，它们都给了我相同的输出：

[[4,0]]

但是，当我尝试通过添加一维进行广播时

print(np.broadcast_to(x[:,None],(2,3,3)))
print(np.broadcast_to(x[...,3)))

他们给了我不同的结果。

[[[4 1 9]
  [4 1 9]
  [4 1 9]]

 [[5 2 0]
  [5 2 0]
  [5 2 0]]]


[[[4 4 4]
  [1 1 1]
  [9 9 9]]

 [[5 5 5]
  [2 2 2]
  [0 0 0]]]

我试图找出差异但不能。

解决方法

In [91]: x = np.array([[4,1,9],...: [5,2,0]])
In [92]: x
Out[92]: 
array([[4,[5,0]])

这些只是制作了一个完整的切片，原始的 view：

In [93]: x[:]
Out[93]: 
array([[4,0]])
In [94]: x[...]
Out[94]: 
array([[4,0]])
In [95]: x[:,:]
Out[95]: 
array([[4,0]])

尾随：根据需要添加，但不能提供超过维度数：

In [96]: x[:,:,:]
Traceback (most recent call last):
  File "<ipython-input-96-9d8949edcb06>",line 1,in <module>
    x[:,:]
IndexError: too many indices for array: array is 2-dimensional,but 3 were indexed

None 添加维度：

In [97]: x[:,None].shape       # after the first
Out[97]: (2,3)
In [98]: x[...,None].shape     # at the end
Out[98]: (2,3,1)
In [99]: x[:,None].shape     # after the 2nd
Out[99]: (2,1)
In [100]: x[:,None,:].shape    # same as 97
Out[100]: (2,3)
In [101]: x[None].shape        # same as [None,:] [None,...]
Out[101]: (1,3)

带有标量索引

In [102]: x[1,:]          # same as x[1],x[1,...]
Out[102]: array([5,0])
In [103]: x[...,1]        # same as x[:,1]
Out[103]: array([1,2])

array-broadcasting numpy numpy-ndarray